该研究论文提出了一种基于使用情况的隐式问题提取方法,利用大型评论语料库中的句子和神经文本转换模型生成问题,以更有效地收集用户偏好,通过众包方式完成多阶段数据注释协议以准确标记神经模型训练数据,并进行了模型性能分析。
Nov, 2021
讨论了如何稳定地解释推荐系统中的自然语言细化 (或批评),提出了一种基于个性化相对语句的更自然的表述方式,并提供一组评分方法,从无监督到弱监督到全监督,在解释和处理软属性的基础上提供了方案。
May, 2021
利用概念激活向量(CAVs)来学习用户语义意图,将其与用户喜好和行为联系起来,并能够通过互动评论来提高推荐准确性的交互式推荐系统。
Feb, 2022
通过主动学习和基于用户的偏好调取方法,解决在推荐系统中缺乏用户存在或受限于其他用户数据访问的冷启动问题,从而提供个性化推荐。
Sep, 2023
基于 SLIM 的贪心 SLIM 方法是用于偏好获取的一种新的训练技术,对于偏好获取比基于潜在因素模型的广泛使用的方法更加适用,通过离线实验和用户研究来评估其性能,结果表明该方法在用户研究方面表现出色。
Jun, 2024
本文介绍了一种两阶段个性化引出方案来解决推荐系统在冷启动时的问题,通过要求用户对一小部分热门物品进行评分,并按顺序要求用户评分适应性物品来完善用户偏好和表示,最终根据用户的偏好区域生成推荐结果,并证明了该方法在多个数据集上的有效性。
本论文介绍了一种基于 Choice Perceptron 的算法,该算法可用于从 set-wise choice feedback 中学习用户喜好,并在理论上证明了其良好性能。该算法可解决搜索空间较大、具有 Boolean-numeric 特征空间的构造性任务。
Nov, 2017
通过使用一种熵减算法,我们提出了一种推理时算法,帮助大型语言模型快速推理用户偏好,并通过提问来优化期望熵和期望模型变化,从而使其在任务表现上胜过基线模型,在使用较少用户交互的情况下提升了性能。
Dec, 2023
本文探讨了交互式工具"例子批判"来帮助用户在大量选项中快速找到最合适的物品,并介绍了通过基于用户当前的喜好模型和潜在的隐藏喜好来计算建议来改善该技术的新技术。用合成和真实用户进行性能评估,结果表明,这些建议对用户非常吸引人,可以刺激他们表达更多的偏好以提高识别出最喜欢的物品的机会,提高了 78%。
Sep, 2011
本文提出了一种新方法 RecXplainer,基于用户对推荐项目属性的偏好生成了更细粒度的推荐解释,并使用真实数据集进行了实验进行了评估,结果表明 RecXplainer 能够更好地捕捉用户的喜好,并且相比六种基线方法,RecXplainer 在提供推荐解释方面有更显著的效果。此外,作者还提出了十种新的推荐解释评估度量标准。
Nov, 2022